AUTOMATIC IMAGE ANNOTATION MENGGUNAKAN METODE SPEEDED UP ROBUST FEATURE DAN SUPPORT VECTOR MACHINE AUTOMATIC IMAGE ANNOTATION USING SPEEDED UP ROBUST FEATURES AND SUPPORT VECTOR MACHINE METHOD

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3187

AUTOMATIC IMAGE ANNOTATION MENGGUNAKAN METODE SPEEDED UP
ROBUST FEATURE DAN SUPPORT VECTOR MACHINE
AUTOMATIC IMAGE ANNOTATION USING SPEEDED UP ROBUST FEATURES
AND SUPPORT VECTOR MACHINE METHOD
Nurul Halimatul Azizah1, Febryanti Sthevanie ST., MT.2, Anditya Arifianto ST., MT3
1,2,3

Prodi S1 Teknik Informatika, Fakultas Informatika, Universitas Telkom
nurhalizahh@telkomuniversity.ac.id, 2sthevanie@telkomuniversity.ac.id, 3anditya@telkomuniversity.ac.id

1

Abstrak
Tersedianya citra dalam jumlah yang cukup banyak menyebabkan dibutuhkannya sistem untuk
mengorganisasikan citra sesuai dengan kategori tertentu untuk memudahkan user untuk mencari citra
yang dibutuhkan. Pencarian citra menggunakan teks saat ini masih kurang efektif karena pemberian teks
terhadap citra oleh masing-masing orang masih terlalu subyektif dan memakan waktu yang cukup lama.

Pencarian dengan menggunakan citra sebagai query menggunakan fitur yang terdapat pada citra juga
masih kurang efektif karena membutuhkan citra sebagai query dan hasilnya masing kurang sesuai. Sistem
Automatic Image Annotation merupakan sistem yang dapat mengatasi kekurangan yang tedapat pada
pencarian citra menggunakan teks dan pencarian citra menggunakan citra query, dengan cara
memberikan anotasi secara otomatis terhadap citra menggunakan fitur yang terdapat pada citra. Dalam
penelitian tugas akhir ini, akan dibangun sebuah sistem Automatic Image Annotation menggunakan
metode ekstraksi ciri Speeded Up Robust Features (SURF) dan metode klasifikasi Support Vector Machine
(SVM) menggunakan Bag-of-Visual-Words. Dari hasil pengujian, akurasi tertinggi didapat menggunakan
nilai threhsold 0, jumlah klaster 500, dan menggunakan jenis SVM one-against-all dengan hasil F1 Score
rata-rata sebesar 0,9001.
Kata kunci : Automatic Image Annotation, SURF, SVM, visual words.
Abstract
Due to the availability of images in a large scale nowadays, a system to organize images according to certain
categories is needed to help user to find a required image. Image search using text is no longer effective as
captioning the image by each person is too subjective and takes a long time. Image search with image as a
query using image features is also no longer effective as it need the image as a query and the results are still
not match. Automatic Image Annotation is a system that can overcome the lack in image search using text
and image retrieval using query images, by giving an automatic annotation to the image using image
features. In this research, Automatic Image Annotation system will be built using Speeded Up Robust
Features (SURF) as feature extraction method and Support Vector Machine using Bag-of-Visual-Words as

classification method. From the experiments, the highest F1 Score is 0,9001 obtained with 0 threshold, 500
clusters, and one-against-all SVM.
Keywords : Automatic Image Annotation, SURF, SVM, visual words.
1.

Pendahuluan

Seiring dengan berkembangnya teknologi digital saat ini, informasi dalam bentuk citra sudah tersedia dengan
cukup banyak. Dalam pecarian informasi berupa citra atau yang biasa disebut dengan Image Retrieval (IR), cara
tradisional yang biasa digunakan adalah pencarian menggunakan teks yang sudah diberikan kepada masing-masing
citra yang disebut dengan anotasi secara manual sebelumnya, atau biasa disebut dengan Text Based Image
Retrieval [9], namun, pemberian anotasi kepada suatu citra dapat berbeda-beda antara satu orang dengan yang
lainnya, sehingga dinilai terlalu subyektif [1]. Pemberian anotasi kepada masing-masing citra secara manual juga
membutuhkan waktu yang cukup lama sehingga dibutuhkan sistem yang lebih efisien [4], oleh karena itu, saat ini
berkembang sistem yang dapat melakukan pencarian citra melalui fitur yang terdapat pada citra tersebut, yaitu
Content Based Image Retrieval (CBIR). CBIR merupakan sebuah sistem untuk pencarian citra dimana user
memasukkan sebuah citra sebagai query, kemudian sistem akan memberikan hasil beberapa citra yang relavan
terhadap citra query tersebut berdasarkan ciri yang terdapat pada citra, contohnya seperti warna atau tekstur [4].
Masih terdapat kekurangan dalam sistem ini, yaitu citra yang dihasilkan terkadang berbeda dari hasil interpretasi
manusia terhadap citra tersebut, karena banyak citra yang memiliki ciri yang sama namun berasal dari kategori

yang berbeda. Perbedaan tersebut disebut dengan semantic gap [1]. Hal tersebut dapat diatasi dengan Automatic

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3188

Image Annotation (AIA). AIA merupakan sebuah sistem untuk memberikan anotasi terhadap citra secara otomatis
berdasarkan ciri yang ada pada citra tersebut dan dengan mempelajari citra yang sudah diberikan anotasi
sebelumnya, sehingga sistem dapat menentukan kategori dari citra dan melakukan penelusuran berdasarkan
kategori tersebut.
Beberapa penelitian mengenai AIA sebelumnya menggunakan metode ekstraksi fitur global yaitu warna,
tekstur, dan bentuk [1], kelemahan dalam penggunaan fitur global ini adalah pada warna terdapat banyak citra
yang berbeda secara visual namun memiliki penggunaan warna yang sama. Pada tekstur, terdapat beberapa metode
yang tidak dapat mengenali citra yang mengalami perubahan skala dan rotasi. Sedangkan pada bentuk, penggunaan
ekstraksi ciri bentuk saja masih kurang handal sehingga biasanya dikombinasikan dengan metode ekstraksi ciri
lain agar lebih efektif.
Penelitian lainnya menggunakan fitur lokal untuk ekstraksi ciri. Penggunaan fitur lokal terbukti memberikan
akurasi yang lebih tinggi pada Image Retrieval [14][15]. Beberapa contoh metode fitur lokal adalah Scale Invariant
Feature Transform (SIFT) [16] dan Speeded Up Robust Features (SURF) [8] yang menghasilkan ciri berupa
keypoint dari citra. Penggunaan SURF terbukti dapat memberikan hasil yang lebih baik dibandingkan dengan SIFT

[8].
Pada penelitian kali ini, metode ekstraksi ciri yang digunakan adalah Speeded Up Robust Features (SURF)
dan metode klasifikasi yang digunakan adalah Support Vector Machine (SVM). Metode SURF menggunakan fitur
lokal untuk ektraksi ciri. SURF telah terbukti dapat mengenali citra yang mengalami perubahan skala, rotasi,
blurring, pencahayaan, dan perubahan sudut pandang terhadap objek yang ada pada citra [8]. Sedangkan metode
SVM terbukti dapat menangani masalah klasifikasi pada data yang memiliki dimensi fitur yang tinggi dengan
cukup baik [10].
2.

Landasan Teori

2.1. Speeded Up Robust Features (SURF)
Speeded Up Robust Features (SURF) merupakan sebuah detector dan descriptor ciri dari citra dengan
mencari keypoint pada citra. Pencarian keypoint dilakukan dengan melihat citra secara keseluruhan tanpa perlu
melakukan segmentasi, sehingga lebih cepat dan lebih akurat. SURF telah terbukti dapat mengenali citra yang
mengalami perubahan skala, rotasi, blurring, pencahayaan, dan perubahan sudut pandang terhadap objek yang ada
pada citra [8].
SURF mencari keypoint berdasarkan matriks Hessian. Untuk titik X = (x, y) pada citra I, matriks Hessian
H(X, σ) pada posisi X dengan skala σ didefinisikan dengan :
𝐻(𝑋, 𝜎) = (

𝐿𝑥𝑥 (𝑋, σ)
𝐿𝑥𝑦 (𝑋, σ)

𝐿𝑥𝑦 (𝑋, σ)
)
𝐿𝑦𝑦 (𝑋, σ)

Dimana Lxx(X, σ) merupakan hasil konvolusi dari turunan kedua fungsi gaussian

(1)
𝜕2

𝜕𝑥 2

𝑔(𝜎) dengan citra I pada titik

X, demikian pula dengan Lyy(X, σ) yang merupakan hasil konvolusi dari turunan kedua fungsi gaussian
dan Lxy(X, σ) yang merupakan hasil konvolusi dari turunan kedua fungsi gaussian

𝜕2

𝜕𝑥𝜕𝑦

𝑔(𝜎).

𝜕2

𝜕𝑦 2

𝑔(𝜎)

Untuk mempercepat komputasi, turunan kedua fungsi gaussian untuk matriks Hessian dihitung menggunakan
box filter yang telah didiskritisasi. Sehingga hasil konvolusi dari turunan kedua fungsi gaussian menggunakan box
filter yang telah didiskritisasi dinotasikan sebagai Dxx(X, σ), Dyy(X, σ), dan Dxy(X, σ). Pencarian interest point
kemudian dilakukan menggunakan nilai determinan yang dirumuskan dengan :
det(𝐻𝑎𝑝𝑝𝑟𝑜𝑥 ) = 𝐷𝑥𝑥 𝐷𝑦𝑦 − (0.9𝐷𝑥𝑦 )2

(2)

𝑣 = ( ∑ 𝑑𝑥 , ∑ 𝑑𝑦 , ∑|𝑑𝑥 |, ∑|𝑑𝑦 | )

(3)

Interest point kemudian dideteksi pada ruang skala dan oktaf yang berbeda-beda dengan cara memperbesar skala
dari filter. Jarak dari interest point disimpan dalam 3x3x3 ketetanggaan untuk kemudian dilokalisasi menggunakan
penekanan non-maksimum terhadap nilai determinan.
Keypoint descriptor dari citra kemudian ditentukan dengan menentukan orientasi dari interest point dengan
menghitung respon Haar Wavelet dari arah x dan y. Setelah itu, daerah persegi di sekitar interest point searah
dengan orientasinya diekstrak dengan membagi daerah tersebut menjadi 4x4 sub bagian kemudian dilakukan
penghitungan gradient histogram yang didefinisikan dengan :

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3189

Dimana dx adalah respon Haar Wavelet pada arah horisontal dan dy dalah arah vertikal. Vektor fitur dari SURF
didapatkan dengan menggabungkan fitur dari sub bagian keypoint sehingga menghasilkan vektor dengan 64
elemen.
2.2. Support Vector Machine (SVM)

Support Vector Machine merupakan salah satu metode klasifikasi supervised learning yang bekerja dengan
cara mencari hyper plane atau bidang pembatas yang memisahkan data menjadi dua kelas dengan jarak maksimum
diantara masing-masing kelas [4]. Untuk data dengan jumlah n sampel, {xi,yi}, hyperplane pemisah dapat
didefinisikan dengan memenuhi :
𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) > 0 ∀ 𝑖 = 1, 2, … 𝑁

(4)

𝑦𝑖 (𝑤. 𝑥𝑖 + 𝑏) ≥ 1

(5)

Dimana 𝑥𝑖 ∈ 𝑅𝑑 merupakan vektor dari fitur dengan d dimensi dan 𝑦𝑖 ∈ {+1, −1} merupakan label yang
mengindikasikan kelas. Data dapat dikatakan terpisah secara linear jika terdapat hyperplane yang dapat
memisahkannya. SVM kemudian memilih jarak ke kelas terdekat dari hyperplane dengan 1⁄‖𝑤‖
sehingga :

Hyperplane yang optimal didapatkan dengan meminimasi ‖𝑤 2 ‖. Margin didefinisikan degan 2⁄‖𝑤‖ dan data
terdekat dengan hyperplane disebut dengan support vectors [10]. Pencarian margin maksimum dapat dilakukan
dengan meminimasi persamaan (6) yang memenuhi (7).

𝐽(𝑤) =

1
‖𝑤‖2
2

(6)

𝑧𝑖 (𝑤 𝑡 𝑥𝑖 + 𝑤𝑜 ) ≥ 1 ∀𝑖

(7)

𝐽(𝑤) merupakan sebuah fungsi kuadrat, sehingga memiliki satu nilai global minimum. Permasalahan tersebut
dapat diselesaikan menggunakan Lagrange Multiplier yang dirumuskan dengan memaksimumkan persamaan (8)
yang memenuhi (9) dan (10).
𝑛

𝑛

𝑛

1
𝐿𝐷 (𝑎) = ∑ 𝑎𝑖 − ∑ ∑ 𝑎𝑖 𝑎𝑗 𝑧𝑖 𝑧𝑗 𝑥𝑖𝑡 𝑥𝑗
2
𝑖=1

(8)

𝑖=1 𝑗=1

𝑎𝑖 ≥ 0 ∀𝑖

(9)

𝑛

∑ 𝑎𝑖 𝑧𝑖 = 0

(10)

𝑖=1

𝐿𝐷 (𝑎) dapat dioptimasi menggunakan Quadratic Programming dan nilai a = {a1, …, an} merupakan variabel baru
sejumlah data latih.
 Apabila nilai ai = 1 maka data i bukan merupakan support vector.
 Apabila nilai ai ≠ 0 dan 𝑧𝑖 (𝑤 𝑡 𝑥𝑖 + 𝑤𝑜 − 1) = 0 maka data i merupakan support vector.
Nilai w dapat dicari menggunakan persamaan 𝑤 = ∑𝑛𝑖=1 𝑎𝑖 𝑧𝑖 𝑥𝑖 dan nilai wo dapat dicari menggunakan salah satu
1
nilai yang memenuhi 𝑎𝑖 > 0 dan 𝑎𝑖 [𝑧𝑖 (𝑤 𝑡 𝑥𝑖 + 𝑤𝑜 ) − 1] = 0 sehingga 𝑤𝑜 = − 𝑤 𝑡 𝑥𝑖 .
𝑧𝑖

Untuk kasus data yang tidak bisa dipisahkan secara linear, pencarian hyperplane dapat dilakukan dengan soft
margin SVM, yaitu dengan menggunakan variabel slack ξ untuk masing-masing data. Sehingga persamaan (7)
dapat dimodifikasi menjadi :





𝑧𝑖 (𝑤 𝑖 𝑥𝑖 + 𝑤𝑜 ) ≥ 1 − ξ𝑖 ∀𝑖

(11)

Apabila ξi > 1 maka data i berada dalam sisi yang salah dari hyperplane.
Apabila 0 < ξi < 1 maka data i berada dalam sisi yang benar dari hyperplane namun berada di dalam margin.
Apabila ξi < 0 maka data i berada dalam posisi yang ideal.

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3190

Kemudian pencarian nilai a dapat menggunakan persamaan (8) yang memenuhi (12) dan (10).
0 ≤ 𝑎𝑖 ≤ 𝛽 ∀𝑖

(12)

β merupakan nilai konstan yang apabila bernilai kecil maka ada banyak sampel yang dibiarkan tidak berada dalam
posisi ideal, sedangkan apabila bernilai besar maka hanya ada sedikit sampel yang tidak berada dalam posisi ideal.
3.

Perancangan Sistem

Tahapan pertama yang dilakukan dalam sistem ini adalah melakukan ekstraksi ciri menggunakan SURF untuk
mendapat fitur lokal keypoint dari citra. Kemudian dilakukan proses klasterisasi menggunakan K-Means terhadap
keypoint tersebut untuk membentuk Bag-of-Visual-Words. Bag-of-Visual-Words merupkan model yang diadaptasi
dari model Bag-of-Words yang digunakan dalam pemrosesan teks [12]. Proses klasterisasi dilakukan untuk
mengelompokkan fitur dari citra yang memiliki ciri-ciri yang sama untuk membentuk visual words, sehingga
masing-masing citra dapat direpresentasikan dengan visual words yang terdapat di dalamnya [11]. Model
klasifikasi SVM kemudian dibangun menggunakan visual words dari citra. Tahapan yang akan dilakukan dalam
perancangan sistem ini terbagi menjadi dua tahapan, yaitu proses pelatihan (Gambar 1) dan proses anotasi (Gambar
2).

Gambar 1 Alur proses pelatihan sistem

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3191

Gambar 2 Alur proses pengujian sistem

4.

Hasil dan Analisis Pengujian

Terdapat beberapa pengujian yang dilakukan di penelitian ini. Pengujian dilakukan untuk memperoleh
parameter yang optimal sehingga dapat menghasilkan akurasi terbaik yang diukur menggunakan F1-Measure.
Data citra yang digunakan adalah 10 kelas citra yang terdiri dari 5 kelas citra satu buah objek yang diambil dari
dataset Caltech101 [17] dan lima kelas citra pemandangan yang diambil dari dataset Corel database [18], kedua
dataset tersebut memiliki ukuran citra yang berbeda-beda. Kategori dari 10 kelas citra tersebut diantaranya :
airplanes, faces, ketch, leopards, motorbikes, fireworks, indoor, night, rural, dan sunset.
Sejumlah 100 citra dari dataset tersebut kemudian dibagi menjadi 60 citra untuk data latih dan 40 citra untuk
data uji. Karena terdapat unsur random dalam proses klasterisasi menggunakan K-Means sehingga parameter yang
sama dapat menghasilkan hasil yang berbeda-beda, maka pengujian terhadap setiap parameter dilakukan sebanyak
20 kali, dan akurasi parameter tersebut adalah rata-rata dari 20 kali pengujian. Hasil centroid untuk visual words
final kemudian ditentukan berdasarkan parameter yang memiliki rata-rata akurasi tertinggi dan nilai akurasi
tertinggi dari 20 kali pengujian yang dilakukan. Pengujian dilakukan menggunakan soft margin SVM, karena
selain dapat mengatasi data yang tidak dapat terpisah secara linear, soft margin SVM juga dapat mengatasi data
yang terdapat noise dan outliers sehingga menghasilkan model yang memiliki generalisasi yang baik [20].
Terdapat 2 buah skenario yang dilakukan pada sistem ini. Penjelasan mengenai skenario yang diuji dapat dilihat
pada Tabel 1.
Tabel 1 Skenario pengujian

Skenario

1

2

Tujuan
Mengetahui pengaruh
nilai threshold keypoint
dan jumlah klaster
terhadap akurasi
sistem.
Mengetahui pengaruh
jenis SVM yang
digunakan terhadap
akurasi sistem.

Parameter Uji
Threshold = [0, 10, 20,
30, 40, 50, 60, 70, 80,
90, 100];
Klaster = [200, 300,
400, 500]
SVM = [one-againstall, pairwise SVM]

Parameter Konstan
SVM = one-againstall;

Hasil Skenario-1

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3192

Dari kedua skenario pengujian yang dilakukan, hasil terbaik yang memberikan akurasi tertinggi didapat dengan
menggunakan nilai threshold = 0, jumlah klaster = 500, dan SVM one-against-all. Hasil centroid visual words final
kemudian diambil dari hasil pengujian menggunakan parameter-parameter tersebut. Hasil pengujian terbaik
didapat pada pengujian ke 7 dari 20 kali pengujian dengan nilai akurasi 0,9149. Hasil confusion matrix dari hasil
tersebut dapat dilihat pada tabel 2.
Tabel 2 Confusion matrix hasil pengujian terbaik

Airplanes

Motorbikes

Faces

Leopards

Ketch

Fireworks

Indoor

Night

Rural

Sunset

Kelas seharusnya

Kelas hasil prediksi

Airplanes

37

0

1

0

0

0

2

0

0

0

Motorbikes

1

38

0

0

0

0

1

0

0

0

Faces

0

0

39

0

0

0

1

0

0

0

Leopards

0

0

0

40

0

0

0

0

0

0

Ketch

1

0

0

0

35

0

0

0

2

2

Fireworks

0

0

0

0

0

31

0

7

2

0

Indoor

0

0

0

0

0

0

40

0

0

0

Night

0

0

0

0

0

5

1

31

0

3

Rural

0

0

0

0

0

0

0

0

40

0

Sunset

0

0

0

0

0

1

0

4

0

35

Sedangkan hasil precision, recall, dan F1 Score dari masing-masing kelas dapat dilihat pada gambar 3, gambar 4,
dan gambar 5.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0

0,95

1,00

0,98

1,00

1,00
0,84

0,91

0,89
0,74

Precision
Gambar 3 Precision masing-masing kelas hasil pengujian terbaik

0,88

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3193

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0

0,93

0,95

0,98

1,00

1,00

1,00

0,88

0,88
0,78

0,78

Recall
Gambar 4 Recall masing-masing kelas hasil pengujian terbaik

1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0

0,94

0,97

0,98

1,00

0,95

0,94

0,93

0,88
0,81

0,76

F1 Score
Gambar 5 F1 Score masing-masing kelas hasil pengujian terbaik

5.

Kesimpulan

Berdasarkan proses implementasi dan analisis dari hasil pengujian yang dilakukan dalam tugas akhir ini, dapat
ditarik kesimpulan bahwa metode ekstraksi ciri Speeded Up Robust Features dan metode klasifikasi Support
Vector Machine dapat memberikan anotasi terhadap citra dengan baik yang menghasilkan nilai F1 Score rata-rata
sebesar 0,9001 menggunakan parameter nilai threshold 0, jumlah klaster 500, dan jenis SVM one-against-all.
Tresholding terhadap keypoint pada Speeded Up Robust Features menurunkan akurasi sistem dan semakin tinggi
jumlah klaster, akurasi yang dihasilkan semakin tinggi.
Daftar pustaka :
[1] ZHANG, Dengsheng; ISLAM, Md Monirul; LU, Guojun. A review on automatic image annotation
techniques. Pattern Recognition, 2012, 45.1: 346-362.
[2] SANGEETHA, M.; ANANDAKUMAR, K.; BHARATHI, A. Automatic Image Annotation and Retrieval: A
Survey. 2016.
[3] ANEES, V. Muhammed; KUMAR, G. Santhosh; SREERAJ, M. Automatic image annotation using SURF
descriptors. In: 2012 Annual IEEE India Conference (INDICON). IEEE, 2012. p. 920-924.
[4] SHUKLA, Tuhin; MISHRA, Nishchol; SHARMA, Sanjeev. Automatic image annotation using SURF
features. International Journal of Computer Applications, 2013, 68.4.

ISSN : 2355-9365

e-Proceeding of Engineering : Vol.4, No.2 Agustus 2017 | Page 3194

[5] PAUL, Edwin; AS, Ajeena Beegom. Mining images for image annotation using SURF detection technique.
In: 2015 International Conference on Control Communication & Computing India (ICCC). IEEE, 2015. p.
724-728.
[6] DA SILVA TORRES, Ricardo; FALCAO, Alexandre X. Content-Based Image Retrieval: Theory and
Applications. RITA, 2006, 13.2: 161-185.
[7] DATTA, Ritendra, et al. Image retrieval: Ideas, influences, and trends of the new age. ACM Computing
Surveys (CSUR), 2008, 40.2: 5.
[8] BAY, Herbert, et al. Speeded-up robust features (SURF). Computer vision and image understanding, 2008,
110.3: 346-359.
[9] RUI, Yong; HUANG, Thomas S.; CHANG, Shih-Fu. Image retrieval: Current techniques, promising
directions, and open issues. Journal of visual communication and image representation, 1999, 10.1: 39-62.
[10] CHAPELLE, Olivier; HAFFNER, Patrick; VAPNIK, Vladimir N. Support vector machines for histogrambased image classification. IEEE transactions on Neural Networks, 1999, 10.5: 1055-1064.
[11] HWANG, Sae. Bag-Of-Visual-Words Approach based on SURF Features to Polyp Detection in Wireless
Capsule Endoscopy Videos. Proceeding ISVC, 11: 320-327.
[12] SHEKHAR, Ravi; JAWAHAR, C. V. Word image retrieval using bag of visual words. In: Document Analysis
Systems (DAS), 2012 10th IAPR International Workshop on. IEEE, 2012. p. 297-301.
[13] Abe, Shigeo. "Analysis of multiclass support vector machines." Thyroid 21.3 (2003): 3772.
[14] ALY, Mohamed, et al. Automatic discovery of image families: Global vs. local features. In: 2009 16th IEEE
International Conference on Image Processing (ICIP). IEEE, 2009. p. 777-780.
[15] BANNOUR, Hichem; HLAOUA, Lobna; EL AYEB, Béchir. Survey of the Adequate Descriptor for ContentBased Image Retrieval on the Web: Global versus Local Features. In: CORIA. 2009. p. 445-456.
[16] LOWE, David G. Distinctive image features from scale-invariant keypoints. International journal of
computer vision, 2004, 60.2: 91-110.
[17] L.
Fei-Fei,
R.
Fergus
and
P.
Perona. Learning
generative
visual
models
from
few
training
examples:
an
incremental
Bayesian
approach
tested
on
101
object
categories.
IEEE.
CVPR
2004,
Workshop
on
Generative-Model
Based Vision. 2004
[18] J. Z. Wang, J. Li, and G. Wiederhold, “SIMPLIcity: Semantics-Sensitive Integrated Matching for Picture
Libraries,” IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), vol. 23, no. 9, pp.
947-963, September 2001.
[19] Evans, Christopher. "Notes on the opensurf library." University of Bristol, Tech. Rep. CSTR-09-001,
January (2009).
[20] CAMPBELL, Colin. Kernel methods: a survey of current techniques. Neurocomputing, 2002, 48.1: 63-84.
[21] Prof. Olga Veksler, CS434a541a Pattern Recognition (Available at:
http://www.csd.uwo.ca/faculty/olga/Courses//CS434a_541a//Lecture11.pdf).